Mathematics for ML
1.0.0
Uma coleção de recursos para aprender e revisar a matemática para o aprendizado de máquina.
por Jean Gallier e Jocelyn Pantaince
Inclui conceitos matemáticos para aprendizado de máquina e ciência da computação.
Livro: https://www.cis.upenn.edu/~jean/math-deep.pdf
Por Ian Goodfellow e Yoshua Bengio e Aaron Courville
Isso inclui o básico da matemática para o aprendizado profundo do Deep Learning Book.
Capítulo: https://www.deeplearningbook.org/contents/part_basics.html
Por Marc Peter Deisenroth, A. Aldo Faisal e Cheng Soon Ong
Este é provavelmente o lugar que você deseja começar. Comece devagar e trabalhe em alguns exemplos. Preste muita atenção à notação e fique confortável com isso.
Livro: https://mml-book.github.io
Por Kevin Patrick Murphy
Este livro contém uma visão geral abrangente dos métodos clássicos de aprendizado de máquina e dos princípios que os explica.
Livro: https://probml.github.io/pml-book/book1.html
Por Brent Werness, Rachel Hu et al.
Esta referência contém alguns conceitos matemáticos para ajudar a construir uma melhor compreensão do aprendizado profundo.
Capítulo: https://d2l.ai/chapter_appendix-mathematics-for-deep-learning/index.html
Por Benoit Liquet, Sarat Moka e Yoni Nazarathy
Este livro fornece uma visão geral completa e concisa da engenharia matemática do aprendizado profundo. Além de ver as fundações de aprendizado profundo, o tratamento inclui redes neurais convolucionais, redes neurais recorrentes, transformadores, redes adversárias generativas, aprendizado de reforço e múltiplos truques do comércio. O foco está na descrição matemática básica de modelos, algoritmos e métodos de aprendizado profundo.
Livro: https://deeplearningmath.org
Por Alicia A. Johnson, Miles Q. Ott, Mine Dogucu
Ótimos livros on -line abordagens bayesianas.
Livro: https://www.bayesrulesbook.com/index.html
por Terence Parr & Jeremy Howard
No aprendizado profundo, você precisa entender um monte de operações fundamentais da matriz. Se você deseja mergulhar profundamente na matemática do cálculo da matriz, este é o seu guia.
Papel: https://arxiv.org/abs/1802.01528
por Gitta Kutyniok
Um artigo resumindo a importância da matemática na pesquisa de aprendizado profundo e como está ajudando a avançar no campo.
Papel: https://arxiv.org/pdf/2203.08890.pdf
pelo Dr. Sam Cooper e Dr. David Dye
A retropolícia é um algoritmo chave para o treinamento de redes neurais profundas que dependem do cálculo. Familiarize -se com conceitos como Chain Rule, Jacobian, Descent Gradient.
Lista de reprodução de vídeo: https://www.youtube.com/playlist?list=pliiljhvn6z193bbzs0ln8nnnqmzimtw23
pelo Dr. Sam Cooper e Dr. David Dye
Um ótimo companheiro para as palestras de vídeo anteriores. As redes neurais executam transformações nos dados e você precisa de álgebra linear para obter melhores intuições de como isso é feito.
Lista de reprodução de vídeo: https://www.youtube.com/playlist?list=pliiljhvn6z1_o1ztxtkwprshrmrblo5p3
por Anand avati
Palestras contendo explicações matemáticas para muitos conceitos no aprendizado de máquina.
Curso: https://www.youtube.com/playlist?list=ploromvodv4rnh7ql6-efu_q2_bpuy0adh
Por Jerome H. Friedman, Robert Tibshirani e Trevor Hastie
O aprendizado de máquina lida com dados e, por sua vez, a incerteza, que é o que as estatísticas pretendem ensinar. Fique confortável com tópicos como estimadores, significância estatística, etc.
Livro: https://hastie.su.domains/elemstatlearn/
Se você estiver interessado em uma introdução à aprendizagem estatística, convém conferir "uma introdução ao aprendizado estatístico".
Por et Jaynes
No aprendizado de máquina, estamos interessados em criar modelos probabilísticos e, portanto, você encontrará conceitos da teoria da probabilidade, como probabilidade condicional e diferentes distribuições de probabilidade.
Fonte: https://bayes.wustl.edu/etj/prob/book.pdf
Por David JC Mackay
Quando você está aplicando o aprendizado de máquina, está lidando com o processamento de informações que, em essência, depende de idéias da teoria da informação, como entropia e divergência de KL, ...
Livro: https://www.inference.org.uk/itprnn/book.html
pela Khan Academy
Uma visão geral completa das estatísticas e probabilidade necessárias para o aprendizado de máquina.
Curso: https://www.khanacademy.org/math/statistics-probability
Por Sheldon Axler
Slides e palestras em vídeo no popular livro de álgebra linear Linear Algebra feita corretamente.
Palestra e slides: https://linear.axler.net/ladrvideos.html
pela Khan Academy
Vetores, matrizes, operações neles, produtos de ponto e cruzamento, multiplicação de matrizes etc. é essencial para a compreensão mais básica da matemática de ML.
Curso: https://www.khanacademy.org/math/linear-algebra
pela Khan Academy
Pré -calculus, cálculo diferencial, cálculo integral, cálculo multivariado
Curso: https://www.khanacademy.org/math/calculus-home
Esta coleção está longe de ser exaustiva, mas deve fornecer uma boa base para começar a aprender alguns dos conceitos matemáticos usados no aprendizado de máquina. Entre em contato no Twitter se tiver alguma dúvida.
